Virtual Temperature Sensors in Power Transformers Using Neural Ordinary Differential Equations

想象一下，你正在试图预测一个永不眠息的巨大、发光的金属箱子内部的天气。这个箱子是一个变压器，它是电力系统的重型心脏，负责将电压升高或降低，以确保你的灯火通明。但作为任何辛勤工作的机器一样，它也会发热。如果它变得过热，内部的绝缘层老化速度会加快，整个设备可能会损坏，从而导致停电。为了保持其安全，工程师需要了解内部最热点的温度，但这些热点深埋在油和铜之中，无法通过插入温度计来测量。因此，他们必须根据外部发生的情况来“猜测”温度，比如电流的大小以及空气的温度。

长期以来，科学家们尝试用两种主要方式来解决这个谜题。第一种方法像是为变压器构建一个完美的、微型的 3D 计算机模型，并模拟每一滴油和每一根导线的运动。这极其精确，但消耗的计算能力巨大，以至于无法用于实时决策。第二种方法是使用基于平均规则的简单数学公式，但当天气突然变化或负载变得异常时，这些方法往往会失效。最近，人们开始使用“人工智能”（AI）来学习历史数据的模式。这就像是在教一只鹦鹉，通过听取成千上ers个例子，学会如何发出正确的叫声。但这些“AI 鹦鹉”可能很棘手；如果你问它们一个从未见过的场景，它们可能会随口编造一个听起来合理但物理上完全不可能的荒唐猜测。

本文介绍了一种新型的“智能猜测者”，称为神经常微分方程（Neural ODE），它充当了一个虚拟温度传感器。与其像鹦鹉那样仅仅死记硬背过去的数据，或者构建一个沉重的 3D 模拟，这种新方法在学习数据的同时，也在学习物理规则。想象一下，你不仅是在教一个学生做数学题的答案，还在教他热量传递的实际定律。研究人员在挪威的真实变压器上测试了这种方法，使用了来自十五个不同设计的单元的数据。他们发现，虽然这种新方法需要至少三个月的数据来熟悉情况，但一旦它学会了，它就会成为比标准 AI 模型更可靠的预测器，尤其是在进行远期预测时。它不仅仅是在猜测，它理解热量的传递需要时间，这使其成为一个稳健的工具，用以保障电网的安全。

问题所在：隐形的炎热

电力变压器是电网中默默无闻的英雄。它们将高压电转换为适合我们家庭和商业使用的电压水平。但这个过程会产生大量的热量。被称为“热点”的最热部分通常位于绕组线圈深处，被层层油液覆盖。如果这个热点过热，内部的纸绝缘层会迅速老化，缩短变压器的寿命，并面临灾难性故障的风险。

理想情况下，我们应该直接在热点位置放置传感器。但在许多变压器中，这是不可能实现的。因此，工程师使用“虚拟传感器”——即通过软件根据我们可以测量的指标（如室外空气温度和流经导线的电量）来估算隐藏的温度。

旧方法：太重、太简单或太靠猜

在此方法出现之前，构建这些虚拟传感器有三种主要方式，每种都有其缺陷：

1. 超级计算机模拟： 科学家使用复杂的物理模型（如有限元法）来模拟每一滴油和每一根导线。这些模型非常精确，但需要如此庞大的计算能力，以至于无法实时运行。它们就像是通过模拟大气中每一个分子的运动来预测天气——对于快速预报来说太慢了。
2. 简单数学模型： 这些模型使用带有固定数值（常数）的简化方程，且每个变压器各不相同。它们运行很快，但非常僵化。如果变压器变旧了、天气变得怪异了，或者冷却系统运作方式发生了变化，这些模型往往会出错，因为它们无法适应变化。
   3.elli 纯 AI 模型： 最近，人们尝试使用标准 AI（如 LSTM 网络）来从数据中学习。这些模型擅长识别模式，但本质上是一个“黑盒”。它们不懂物理定律。如果你要求它们预测一个它们从未见过的日期的温度，它们可能会陷入不可能的领域，比如预测在负荷增加的同时油温反而下降。它们需要海量的数据才能发挥作用，并且在长时间运行中可能不稳定。

新方案：具备物理感知能力的 AI

本文作者提出了一种混合方法：神经常微分方程（Neural ODEs）。

把标准 AI 想象成一个只会背诵练习题答案的学生。如果考试题目稍有变化，这个学生就会陷入恐慌。而 Neural ODE 则像是一个记住了答案背后的公式和逻辑的学生。

在这个特定的框架中，研究人员不仅仅让 AI 猜测下一个温度值。相反，他们强迫 AI 根据当前状态和热传递的物理特性，去猜测变化率（即温度上升或下降的速度）。

• 类比： 想象你在开车。标准 AI 通过观察你过去的行驶速度来猜测你 10 分钟后会在哪里。而 Neural ODE 理解你目前正在踩油门（负载），并且汽车具有重量（热质量）。它会计算你的加速度，然后通过积分来找到你未来的位置。这确保了预测符合物理定律，即使数据很杂乱或不规则。

他们构建的这个模型旨在处理现实世界中经常出现的凌乱数据。传感器可能会漏掉某些读数，或者数据可能以不规则的时间间隔传来。由于 Neural ODEs 在“连续时间”（像流畅的电影）中工作，而不是在“离散时间”（像翻页书）中工作，因此它们处理这些数据间隙的能力比旧的 AI 模型要好得多。

实验：在真实变压器上进行测试

团队并不仅仅是在计算机模拟上运行该模型，他们还在位于挪威不同地区的 15 台真实电力变压器上进行了测试。这些变压器具有不同的设计、冷却系统和运行历史。

他们向模型输入了每 **900 秒（15 分钟）**记录一次的数据。数据包括：

• 有功功率负载（有多少电量正在流动）。
• 环境温度（室外空气有多热）。
• 实际的油温和绕组温度（用于训练模型）。

他们将这种新的 Neural ODE 模型与标准 AI 模型（LSTM）进行了对比，以观察谁能更好地预测未来温度。他们测试了不同的训练数据量（从一周到两年不等）以及不同的预测长度（从一天到一整年不等）。

研究结果：耐心终有回报

结果非常明确，但也带有一个前提条件。

1. “三个月”法则：
新模型需要时间来学习。如果你只给它一周的数据，它会表现得很糟糕。预测结果会变得混乱且在物理上是不可能的。作者发现，该模型至少需要三个月的数据才能趋于稳定。这很合理，因为三个月涵盖了一个完整的季节季度，可以让模型观察到变压器如何应对从冬季到夏季的完整温度变化范围。

2. 优于竞争对手：
一旦模型拥有了至少三个月的数据，它的表现就显著优于标准 AI（LSTM）。

• 准确度： 在“稳定”阶段（三个月训练），Neural ODE 的中值绝对误差（MAE）为 2.04 °C，而 LSTM 为 2.45 °C。
• 可靠性： 在长期的预测周期内（如 30 天到 365 天），Neural ODE 能始终紧贴真实温度。标准 AI 往往会发生漂移，产生“物理上不一致”的结果，而 Neural ODE 的预测则保持平滑且符合现实。
• 一致性： 在所有 15 台变压器中，Neural ODE 在 64.8% 的案例中表现更准确，并在 64.8% 的案例中具有更低的误差。它在 15 台变压器中的 14 台上都表现得更好。

3. 长期视角：
该模型特别擅长“中长期”预测（30 天到一年）。虽然标准 AI 在预测一年后会因为漂移而难以维持准确，但 Neural ODE 依然能保持合理的准确度，即使在 365 天的预测中，其中值误差也能保持在 2 °C 左右。这对于需要提前规划维护计划的资产管理者来说至关重要。

为什么这很重要

这不仅仅是一个理论上的胜利，它是一个能让电网持续供电的实用工具。

• 虚拟传感： 它允许电网运营商在不安装昂贵、脆弱的物理传感器的情况下，“看到”隐藏的热点。
• 成本节约： 它减少了对密集传感器网络的需求，降低了维护成本。
• 安全性： 通过提供更可靠的长期预测，它有助于防止过热并延长变压器的寿命。

作者指出，尽管该模型需要大约三个月的“热身期”，但它是一个稳健的、具备物理感知能力的工具，适用于不同类型的变压器。它弥合了缓慢、沉重的物理模拟与不可靠、依赖大量数据的纯 AI 之间的鸿沟，提供了一个既聪明又具有科学依据的“黄金平衡点”。

简而言之，这种新方法教会了计算机热量的规律，而不仅仅是答案，这使得它成为了我们电网内部隐形热量的更佳“天气预报员”。